São Paulo — InkDesign News —
A pesquisa recente sobre machine learning está em destaque com o desenvolvimento de um novo chip fotônico pela equipe da Universidade da Flórida, que promete aumentar significativamente a eficiência energética em tarefas de inteligência artificial.
Contexto da pesquisa
Sistemas de inteligência artificial (IA) estão se tornando cada vez mais essenciais na tecnologia, sendo utilizados em aplicações que variam de reconhecimento facial a tradução de linguagem. Contudo, o crescimento da complexidade dos modelos de IA tem gerado um aumento considerável no consumo de eletricidade, levantando questões sobre a eficiência energética e a sustentabilidade.
Método proposto
A equipe da Universidade da Flórida desenvolveu um chip de silício fotônico projetado para executar operações de convolução, uma função central no aprendizado de máquinas que permite a detecção de padrões em imagens, vídeos e textos. Este chip integra componentes ópticos diretamente em um chip de silício, utilizando luz laser e lentes microscópicas, reduzindo assim o consumo de energia e acelerando o processamento.
“Executar uma computação fundamental de aprendizado de máquina com quase zero de energia é um avanço significativo para futuros sistemas de IA.”
(“Performing a key machine learning computation at near zero energy is a leap forward for future AI systems.”)— Volker J. Sorger, Professor, Universidade da Flórida
Resultados e impacto
Nos testes, o chip protótipo teve uma taxa de acurácia de aproximadamente 98% na classificação de dígitos manuscritos, comparável aos chips eletrônicos tradicionais. O sistema utiliza conjuntos de lentes de Fresnel, que são versões ultrafinas das lentes encontradas em faróis, fabricadas com técnicas tradicionais de semiconductores. Com uma largura menor que a de um fio de cabelo, essas lentes são gravadas diretamente no chip.
A pesquisa foi liderada por Hangbo Yang, coautor do estudo, que destacou a capacidade do chip em processar múltiplos fluxos de dados simultaneamente, utilizando um método conhecido como multiplexação de comprimento de onda.
Os resultados demonstram que a computação óptica em chips poderá se tornar uma parte essencial de todos os chips de IA usados diariamente, tornando as soluções mais eficientes e sustentáveis para o aumento da demanda por energia.
Fonte: (TechXplore – Machine Learning & AI)
